企业官网建设流程全解析

简介：由资深产品专家车马所著《产品经理的AI实战》浓缩而来的28页读书笔记，面向AI产品经理、创业者及关注AI商业落地的读者。全篇将原书216页、13章内容提炼为核心框架，覆盖技术商业的特点、X技术生命周期与机会窗口、技术-场景适配方法、AI产品与商业模式设计，以及合格AI产品经理的能力模型；同时以Google Pixel与科大讯飞翻译机、时空壶蓝牙耳机版翻译机等案例，直观对比不同技术选型对应用场景广度的决定性影响。资源为单个PDF文件，仅2.38MB，便于通勤、碎片时间反复阅读，已有823人浏览学习。笔记特别指出当前AI“多传感、强感知、弱认知”的边界，并梳理监督学习、无监督学习、强化学习等关键概念，帮助读者避开常见误区，从技术可行性与商业价值两个维度快速抓住AI落地主线，适合正在规划AI产品或推动传统业务智能化转型的人士作为随身参考。

1. 为什么AI产品经理的读书笔记比原书更值得拆：28页浓缩的决策框架

作为长期在AI落地项目里来回折腾的产品负责人，我拆过不少项目文档、源码包和课程资源，但真正让我反复翻的，反而是这份只有28页的《产品经理的AI实战》读书笔记。它把一本216页、三个部分13章的书，压缩成了一张能直接套用的决策框架图：技术-场景适配、能力杠铃模型、极简AI产品规划流程，全部落在具体案例上，没有一句空话。

这份笔记解决的是AI产品经理最头疼的问题——技术看不懂、场景找不到、商业模式讲不清。适合三类人：一是正在做AI产品规划、需要向高管汇报可行性的产品经理；二是想从互联网产品转AI产品，但对软硬整合和算法边界心里没底的人；三是在传统企业里被要求"用AI做点什么"，却不知道从哪下手的从业者。它不是教科书，是一份可以直接照做的拆解手册。下面我把笔记里的关键框架、实战步骤和踩过的坑逐章展开。

2. 把AI商业落地拆成三块拼图：技术-场景、产品与商业模式的三方关系

2.1 技术商业的生命周期：先判断你手里的AI处于哪个阶段

笔记开篇给了一个特别实用的判断工具——技术生命周期五阶段模型。任何新技术都要经历技术萌动、期望巅峰、跌至低谷、逐渐恢复、稳定产出这五个阶段。我之所以先讲这个，是因为它决定了产品经理该采取什么策略：在期望巅峰期立项，大概率会在低谷期被砍；在恢复期切入，往往能踩中上升曲线。

作者把能走出"超常线"的极少数技术称为X技术，这类技术商业充满高度不确定性，但也正是新公司的机会所在。笔记里有个很形象的比喻：X技术商业是高难度的拼图，开始时既看不到最终效果，又不知道有多少图块，但不能等待，因为只有开始才有可能完成拼图。这个判断直接影响产品策略——在X技术上，别指望一步到位，要做的是快速拼出第一块。

我在实际拆项目时，会把技术生命周期和产品立项决策绑定。比如人脸识别，目前已经处于稳定产出期，竞争格局清晰，新玩家进去就是拼价格；而某些多模态感知技术还在期望巅峰，这时候立项就要格外谨慎。一张简单的判断表就能帮团队对齐认知：

这个表怎么用？我一般会在产品立项前的技术预研阶段，拉上技术负责人一起给候选技术打标签，确定它处于哪个阶段，再决定投入力度。笔记里强调的"技术-场景"适配，前提就是先看清技术所处的位置。

2.2 技术-场景适配：先选场景再谈技术，不要先造锤子再找钉子

笔记反复强调一个核心观点：AI产品经理需要将合适的AI技术与合适的场景适配起来，发现商业价值，识别商业阻力。这个概念听着简单，做起来极容易走偏。最常见的翻车姿势是先拥有人脸识别模型，然后满世界找场景，最后找到考勤打卡。不是不行，而是商业价值太薄，做不出壁垒。

笔记给的适配方法论是技术选型和场景理解双向并进。选型上，要理解技术的边界和成本；场景上，要从身边的商业场景开始观察，借助优秀图书提升场景理解能力，求精不求多，持续关注一两个场景比泛泛了解众多场景更有价值。这一点我深有体会——我之前做某图像处理Demo时，把十几个场景跑了一遍，最后发现真正能落地的只有一个场景，就是手写单据识别。之前那些"看起来能用AI"的场景，实际转化率低得可怜。

反例更有说服力。笔记里举了把3D人脸建模APP推销给整容机构的案例，技术上完全可行，但场景适配度极低——整容机构要的是术后效果对比，不是三维建模。这个案例让我想起自己踩过的一个坑：给停车场做车牌识别，技术方案没问题，但忽略了夜间反光、污损车牌这些场景细节，结果识别率从97%掉到82%，整个项目差点黄掉。技术-场景适配，本质上是在技术能力和场景约束之间找交集。

引用一个成功案例来加深理解：电子墨水技术功耗低、视觉舒适，被适配到电子阅读器和电子价签两个场景。同一门技术，适配到不同场景，产出完全不同的产品形态。做适配时我一般会先列场景约束清单，比如功耗要求、环境光照、用户操作习惯、误差容忍度，再倒推技术选型。

2.3 产品与商业模式的拱桥关系：为什么某搜索巨头的方案输给了翻译机

笔记里对比了两个翻译场景案例，非常有启发性。某搜索巨头做的同声传译方案，要求对话双方都持有自家手机和耳机才能实现交流；而某国内语音技术公司的翻译机，只需要其中一个人持有设备就能完成对话。结果是后者的适用场景明显更广，在商务洽谈、跨语言导游这些实际场景中，不可能要求对方也买你的设备。

这个对比揭示了一个关键结论：只有选对技术-场景，建好产品之拱和商业模式之拱，应用之桥才能畅通。产品是商业模式的基础，商业模式又是产品价值的放大器。笔记明确提到，X技术产品有几个共同特点：超越需求、引领需求，创造全新的产品形态和商业模式，市场高度集中。这些特点决定了AI产品经理不能用传统互联网产品的思路来规划AI产品。

另一个硬件设计上的细节让我印象很深。某硬件创业公司的蓝牙耳机版翻译机，耳机盒里有两个耳机，一个主机一个客机，使用者自己戴主机，让对方戴客机，对话结束收回客机即可。这个设计解决了一个非常实际的问题——把"需要两个人都有设备"变成"只需要一个人有设备"，直接扩大了一倍的市场空间。这个案例说明，产品形态的设计本身就是技术-场景适配的一部分，不能只重技术而忽视产品和商业模式。

我在实际做产品规划时，会把"适配度"拆成一个可评估的清单：技术能力满足场景核心需求的程度、使用门槛、需要用户额外付出的成本、场景的频度和体量。翻译机这个案例教会我的教训是：评估一个AI产品方案，先问"用户需要凑齐哪些条件才能用起来"，条件越少，场景越广。

3. 从合格到高级产品经理：能力杠铃模型与三类公司的落地打法

3.1 能力杠铃模型：合格与高级的分水岭

笔记第二部分和第三部分各有一个能力杠铃模型，这是整份笔记里最值得反复对照的工具。合格AI产品经理的杠铃模型，以技术、场景理解为两个核心铃片；高级AI产品经理的杠铃模型则由三大部分组成：中间位置是商业理解、AI技术-场景洞察、需求管理、AI产品规划、商业模式设计、运营互动；平行部分是跨域产品借鉴、数据布局；顶部是思维与影响。

我理解这个模型的关键在于：合格产品经理解决"能不能做出来"，高级产品经理解决"能不能赚到钱"。笔记明确说，高级AI产品经理不一定要亲自画原型、写文档，但一定要亲自进行产品规划，掌控产品方向，并且要能深度参与商业模式设计。这个结论让我重新审视了自己的工作分配——经常陷在原型和需求文档里，反而忽略了商业模式的推演。

用这个模型给自己打分时，拉了个能力对比表：

这张表不是看看就完了，我建议每隔1-2个月对照它给自己重新打分。笔记里提到一位作者的实践：从互联网产品经理转AI产品经理，先对照能力杠铃模型给自己打分，找出短板列改进计划，按计划行动后检测效果，这个循环每1-2个月走一遍。我们团队现在每次季度复盘都拿这个模型过一遍，效果比单纯看项目进度好得多。

3.2 互联网公司的AI产品：增强型与原生型的差异

笔记把互联网公司的AI产品分成两类，一类是AI技术增强型，一类是AI技术原生型。增强型的代表案例是一个艺术文化类互联网产品，它原本没有AI技术，在发布多个版本后才引入AI升级，AI在其中只发挥辅助作用，不触及核心功能。这个案例的启发在于：AI不一定要做主角，做配角同样能带来明显成功，而且风险更低。

原生型的代表案例是一个换脸视频产品，要实现"只需一张照片，出演天下好戏"，技术上要做三件事：对用户本人脸部识别提取特征点；对选定视频片段中所有人脸识别，提供可替换人脸供用户选择；用用户脸部特征替换目标人脸。这三件事涉及人脸关键点检测、人脸跟踪、图像融合三个技术模块，任何一个环节精度不够，效果就会失真，也容易引发隐私与合规争议。

我拆这类项目时发现，增强型和原生型的选择对团队要求完全不同。增强型产品主要改造交互层和应用层，技术边界清晰；原生型产品从数据采集、模型训练到推理部署都需要算法团队深度介入，风险高很多。另一个区别在数据侧——增强型产品一般复用原有业务数据就能启动AI功能，原生型产品大多需要从零搭建数据采集和标注流程。笔记里"大公司的数据优势、用户基数大只要略有改进就能获得显著收益"这句话，点透了为什么大厂偏爱增强型路线——用最小的改动撬动最大的收益。

3.3 AI技术公司的中间产品与最终用户产品：选型与风险

AI技术公司怎么选产品形态？笔记对比了两种路径，都给了明确的风险提示。中间产品以PaaS方式提供AI能力，供用户远程调用，按使用量收费，典型代表是某视觉技术公司的身份核验产品。但笔记明确指出，中间产品存在一个非常大的风险——被替代的风险。因为API接口一旦标准化，客户切换成本低，最终会陷入单一技术指标和价格比拼。

最终用户产品则不同，它更综合，直接与最终用户建立联系，价值更持久。笔记里给了几个关键案例：某语音技术公司针对医疗场景深度定制的语音录入产品，解决了医疗术语识别和嘈杂环境识别两大痛点，这个付费产品得到了多家知名三甲医院的认可。某农业科技公司2011年推出的生菜机器人，只做智能整理生菜地这一件小事，后来又做了精准喷洒除草剂的产品，都是从极小场景切入的成功案例。

这里我梳理出两条选型路径：

• 走中间产品路线：前提是算法能力显著领先，且能把单次调用成本压到足够低，否则很容易被巨头降价打崩。
• 走最终用户产品路线：一定要深耕垂直场景，做出通用API做不到的体验差异，比如医疗场景的术语识别，就是通过深度定制建立壁垒的。

笔记还专门分析了2C最终用户产品的三条出路：占据优势地位始终领先；规模不大不小足以让公司生存；规模做大后被巨头以合适价格并购。这三条出路其实对应了三种不同的资本策略，产品经理在规划时就要想清楚自己走哪条，不能骑墙。我在做某跨平台系统时，就遇到过中间产品被客户压价的窘境，后来转向行业定制方案反而打开了局面。

3.4 传统企业的AI产品：单点切入再向复杂演进

传统企业做AI产品的整体打法，笔记用金融业案例讲得很透。AI技术最初多应用于欺诈识别、投资信息分析等少数领域，随后应用范围逐渐扩大，基本渗透到金融业各个领域。除了各业务专属的AI应用，还有通用AI应用，比如智能客服、流程自动化平台，这类应用可以在不降低客户满意度的情况下显著降低人力成本。

传统企业的AI产品大致分两类：一是利用AI技术改造提升原有IT产品和互联网产品，比如某连锁酒店集团和某教育机构走的都是这个路线；二是利用AI技术打造新产品，但一般仍然服务于原有业务体系，比如某养老健康集团的AI护理机器人、某汽车厂商的AI语音助手。

传统企业做AI产品，笔记给的关键打法有两步。第一步：深入理解行业场景，实现AI技术与行业场景的适配；选择单点切入，从简单AI产品起步。第二步：选择重点场景，做出复杂产品。这里的典型对照是某大型金融集团的"6分钟刷脸放贷"和AI车险定损——前者是单点切入的典范，用一个人脸识别解决身份核验环节，6分钟完成放贷；后者是复杂产品的代表，涉及多角度图像采集、损伤识别、定损定价整个链路。

我在传统企业推AI项目时有个深刻体会：传统企业的AI产品经理等于互联网产品经理加AI技术加垂直行业，三者缺一不可。只懂互联网产品思维，不理解行业业务流程，做出来的东西基本是废纸。单点切入的好处是试错成本低，能快速建立信心，但一定要选定有复用价值的单点，而不是一次性需求。

4. AI产品规划实操：从极简产品到数据机制的完整推演

4.1 极简AI产品的规划要点与自检清单

笔记第九章给出了一个完整的AI产品规划入门框架，核心方法是"极简AI产品"。所谓极简AI产品，就是在原有产品结构上增加一个新功能点，不动整体架构，不改变老用户的使用习惯。这样做的优点是容易规划、容易说服高管、容易技术实施、容易被用户接受，即使失败也没有太大损失。

笔记用"情绪签到"功能作为案例，规划要点有四条：整体结构不改动，签到模块界面和原有方式保留；只在原有签到模块上增加一个新功能点；用户点击按钮直接调出自拍界面；生成心情海报分享到朋友圈。这个案例的价值在于，它示范了AI产品规划正确的切入姿态——不给用户增加理解成本，不要求用户改变习惯，AI能力以功能点形式嵌入现有流程。

做AI产品详细规划前，笔记给了一个自检清单：产品的目标用户是谁；AI产品的价值是什么；AI产品的实现方式是什么；其他问题。这个清单看似简单，但在实际工作中，很多AI产品立项直接跳过了第一个问题。我之前接触过一个AI客服项目，技术团队花三个月做了意图识别模型，结果一问目标用户，内部运营人员根本不用，因为问题兜底逻辑没设计好，AI答不上来的问题全部转人工，反而增加了工作量。

极简AI产品规划的原型，笔记特别强调要选真机高保真交互原型，三个关键词：真机、高保真、交互。原因是AI产品的体验高度依赖响应速度和反馈形态，纸面原型完全无法呈现。推动技术团队实施时，笔记给了一个实用策略：先和技术负责人非正式沟通，达成共识后再找公司高管谈，不指望一次谈成，最后推动技术团队积极准备实施上线。这套节奏我照着走了一遍，确实比直接发正式评审邮件有效。

4.2 数据获取、标注与模型检测：产品经理必须插手的四个环节

AI产品规划区别于传统互联网产品规划，最核心的部分是数据机制规划。笔记把数据机制的规划拆成四个环节：数据的获取方式和来源；数据标注的规划；AI模型检测的规划；从数据角度参与AI模型的改进。

数据获取方式和来源有三种：公开数据集、外购数据集、自己获得数据集并进行标注。我一般建议优先评估公开数据集能否覆盖核心场景，但真实业务场景下，公开数据集往往不够用，最终还是要走自采+标注这条路。数据标注的规划，笔记的重点是质量控制：先由人工标注，然后由另外的人工审核，在一定程度上保障标注质量。这个"双人审核"机制，我在实际项目中执行过，虽然增加了成本，但标注准确率确实能从88%提升到96%以上。

模型检测的规划，笔记给了一个非常实战的建议：检测时最好安排真实生产出来的产品由AI模型检测，同时安排人工检测，将两者结果进行对比来发现问题。这个"双轨检测"思路很重要——用真实环境的脏数据，而不是测试集里的干净数据来验证模型，才能发现边界问题。

最后一点容易被忽略：AI模型对产品经理而言是个黑盒，产品经理对模型本身没有发言权，但可以从数据角度参与模型的改进。这句话翻译一下就是：当你觉得模型表现不好时，不要试图去调算法参数，而是分析是哪类数据缺失或标注错误，用数据补齐来推动模型改进。这套方法在我复现某图像处理Demo时反复用到——每次模型翻车，先看数据分布，再看标注质量，模型性能自然就上来了。

4.3 从互联网产品经理快速转AI产品经理的补短板路线

笔记第十章讲的是转岗路线，但我觉得这部分对所有AI产品经理都有参考价值，因为它给出了一个非常具体的技术能力提升路径。互联网产品与AI产品的区别，笔记总结了四条：互联网产品几乎都是纯软件产品，而很多AI产品是软硬整合的；互联网产品实施周期短，AI产品实施周期长；业务模式不同，因为有硬件成本，软硬整合的AI产品极少免费；用户的尝试门槛和使用心态不同。

基于这些差异，笔记建议互联网产品经理尽量从纯"软"形态的AI产品入手，也就是以SaaS形式存在的AI中间产品，然后逐渐过渡到软硬整合的AI产品。这个过渡路线很务实，先熟悉AI能力的调用方式、定价逻辑、模型迭代流程，再接触硬件部分。

快速、系统提升AI技术能力，笔记给了一个三步法：快速掌握基本的Python编码能力；搭建真实的Python环境，掌握配套技能；上手主流深度学习框架。每个步骤都对应明确的目标——懂Python才能和算法工程师聊数据管道，搭环境才能自己跑通Demo，上手深度学习框架才能理解模型训练和推理的全过程。我从自己的经验说，产品经理学技术不需要成为专家，但至少要能手写简单的数据清洗脚本，能看懂训练日志里的loss曲线，能在模型效果不好时亲手检查数据。这样才能在和技术团队沟通时，不被一句"这是模型问题"打回去。

5. 避坑与常见问题：读书笔记没写透的五个实战坑

5.1 坑一：过度宣传与成本幻觉

现象：项目立项时预期AI效果完美，上线后效果拉胯，技术团队说"数据不够"，业务部门说"不好用"，项目陷入僵局。

原因：笔记里提到AI在众多行业应用不顺的原因，第一条就是成本高，第二条是过度宣传甚至造假。很多团队被厂商的Demo演示和媒体宣传误导，忽略了真实场景中的数据噪声和长尾问题。AI的实质是"多传感、强感知、弱认知"，在宣传里被包装成"全知全能"，落地时自然对不上。

解决：立项前做技术验证，用笔记里的"多传感强感知、弱认知"作为预期管理的标尺。我一般在项目启动会上明确一条规矩：技术Demo只能在受控环境演示，商用评估必须在真实业务数据上跑，且要跑通"双轨检测"，让AI结果和人工结果并排对比，预期自然就回到现实。

5.2 坑二：把中间产品当护城河

现象：AI能力以API形式开放给客户，客户用了一段时间后，发现换一家服务商成本很低，于是开始压价，利润越来越薄，甚至被客户自研替代。

原因：中间产品是典型的技术导向型产品，但笔记明确点出,中间产品都存在一个非常大的风险——被替代的风险。API一旦标准化，比拼的就是单价和性能，而算法性能的领先往往是暂时的，技术优势很难形成持久壁垒。

解决：在中间产品之外，同步规划行业解决方案或者最终用户产品。我见过最稳妥的做法是：API作为获客入口，行业解决方案作为利润来源，最终用户产品作为品牌壁垒，三个层次同时推进。如果团队资源有限，至少要往行业定制方向走，绑定行业Know-how，而不是裸卖API。

5.3 坑三：数据标注质量失控

现象：模型训练时指标很好，上线后准确率暴跌。排查发现训练数据标注错误率超过10%，模型学到了错误标签。

原因：标注环节的标准不清晰，或者只安排了一轮标注，没有审核机制。

解决：严格执行笔记里的"人工标注+另一个人工审核"双机制。我在实际项目里还加了一条规则：标注规范必须包含边界案例的判定规则，比如目标被遮挡一半算不算正样本。对标注结果定期抽检，抽检不一致率超过5%就返工。另外要留意标注工具的交互效率，标注工具如果设计得反人类，标注质量一定差。

5.4 坑四：产品形态选错导致场景受限

现象：产品功能和效果不错，但实现需要用户凑齐特定条件，导致市场空间被压缩到很小。

原因：技术-场景适配做对了，但产品形态设计没有跟上。回到笔记里翻译机的案例——某搜索巨头的方案要求对话双方都有特定手机和耳机，而某语音技术公司的翻译机只需要一个人有设备。产品形态直接决定了场景广度。

解决：在做产品定义时，强制走一遍"最小设备组合"推演。问自己：用户在真实场景里，需要额外获取哪些设备、安装哪些软件、完成哪些设置才能用起来？把每一条列出来，逐一优化。我现在的习惯是，产品评审时把"用户需要准备什么"作为一票否决项，凡是要求用户额外付出过多成本的方案，一律打回重做。

5.5 坑五：AI模型是黑盒，但产品经理不能当乘客

现象：模型出了问题，产品经理完全插不上手，只能干等算法工程师反馈，迭代节奏被技术团队牵着走。

原因：笔记中明确说，AI模型是个黑盒，产品经理对模型本身没有发言权，但很多人没注意到下一句——产品经理可以从数据角度参与AI模型的改进。看不懂模型参数，又不愿意从数据切入，自然成为旁观者。

解决：产品经理至少要建立数据敏感度。我一般的做法是：每次模型迭代，主动要求算法工程师给出数据分布变化报告，重点关注新增样本的构成比例。如果某个城市、某类场景的样本占比异常，主动去业务侧核实，往往能发现问题。我还会定期从生产环境抽一批模型决策错误的案例，人工分析错误原因，把分析结果反馈给算法团队，这比空洞地喊"效果不好"有效得多。

6. 用这份读书笔记做一次落地推演：从微场景洞察到整体方案的验证方法

6.1 技术-场景-价值三维筛选法：把笔记框架变成日常工具

笔记最后几章讲了高级产品经理要做技术-场景洞察和价值洞察，我把这部分的观点整理成了一套可落地的三维筛选法，每次评估新机会都用它来打分。三个维度分别是：技术确定性、场景适配度、商业价值。每个维度设定1-5分，三个维度相乘得出综合分，只有三边都超过3分的机会才值得立项。

这套打分框架我用了半年，最大的收获不是评分本身，而是逼着团队把"感觉可以做"转成"数据判断可以做"。之前有个矿车自动驾驶相关的模拟项目，技术确定性只有2分，场景适配度和商业价值都接近5分，按框架应该缓投，但团队还是想冲。后来验证下来，矿区环境复杂远超预期，确实烧了不少钱才跑通。从那以后，我每次立项不管压力多大，都强制走一遍这个三维打分，打分不过坚决不上会。希望帮到你——拿到这份读书笔记，先不要急着找AI场景，用这套方法把已有的候选场景过一次，能砍掉一半以上无效需求。

6.2 跳出AI圈子做AI：用非AI方案补齐产品拼图

笔记举了一个空包检测的案例，让我对"AI产品"有了新的理解。某电商仓库的空包检测问题，团队最初想用重力感应器加机械臂来实现，后来另一个人想到一个更简单的方案：一台工业风扇，对着传送带吹，空包被吹走，实包纹丝不动。这个方案成本低到极致，效果100%可靠。这个案例说明，好的产品方案不一定非要堆AI技术，AI与非AI方案结合往往能形成组合竞争力。

笔记里还有另一个例子。某视频AI技术公司推出的广告植入产品，解决的是节目拍摄完成后无法进行广告植入的问题，通过即时贴、道具、动态视窗、神字幕、Logo等形式，随时把产品广告植入节目内容中。它跳出"拍摄前植入"的传统思路，用AI技术重塑了广告植入的时间窗口——留出了招商时间，广告主可以在节目拍完之后再决定投放，这个商业模式的创新价值甚至超过技术本身。

另一个让我印象深刻的是矿车场景。某智能驾驶技术公司针对矿车运营成本高的问题，提出了两个方案：自动驾驶方案解决司机高成本，混联系统方案解决高油耗。后者让矿车在下坡时通过发电机回收能量，运营一段时间节省的油费就能覆盖改造费用。针对同一个场景、同样的客户，AI产品和非AI产品结合起来构成整体解决方案，形成组合竞争力。这种"组合拳"思路，是高级AI产品经理区别于普通产品经理的分水岭。

6.3 用笔记做一次复盘：把知识变成你的检查清单

我们团队最近一次复盘，就是照着这份读书笔记的目录过了一遍。先看技术-场景适配：我们当前做的项目，技术选型是视觉检测，场景是制造业质检，适配度打分3.5，还存在良品过杀和漏检的边界问题；再看极简产品规划：产品过度追求功能完整，启动页就放了三个核心功能，没有遵循"单点切入"原则；数据机制更是个重灾区，标注规范缺失，导致模型迭代了三个版本准确率都没有明显提升。

复盘结束后，我们把笔记里的核心框架浓缩成一页纸的检查清单，贴在工位上，内容包括：技术处于生命周期哪个阶段；场景是否需要用户额外付出成本；产品形态是增强型还是原生型；数据获取和标注机制是否明确；模型检测是否走双轨对比；商业模式是否被替代风险。每一条都是从笔记里提炼出来的问题，答不上来就是规划有漏洞。

这次复盘之后，我的一个习惯彻底改掉了：以前拿到一个AI需求，第一反应是怎么把模型效果做上去；现在第一反应是先看这个场景值不值得用AI，是不是用非AI方案更划算。笔记里说"产品经理要跳出AI的圈子，做好AI产品"，这句话我第一次读完没什么感觉，直到空包检测和矿车这两个案例砸下来，才真正明白为什么最有效的解决方案往往不是最炫的。希望帮到你——把这份笔记当作工具，而不是书，每次立项前先对照检查清单，能少走很多弯路。

本文还有配套的精品资源，点击获取